Установка скиллов и плагинов OpenClaw осуществляется на ваш страх и риск. Все файлы были получены из открытых источников и предоставляются «как есть». Мы не гарантируем их корректную работу, безопасность или совместимость с вашей системой. Перед установкой настоятельно рекомендуется ознакомиться с содержимым кода и убедиться, что вы понимаете, какие изменения будут внесены в вашу систему.
OpenViking — это open-source база контекста для AI-агентов, разработанная как следующее поколение RAG-систем. Вместо привычных «плоских» векторных хранилищ она предлагает принципиально иной подход к организации памяти, ресурсов и навыков.
Ключевая идея — представить контекст в виде файловой системы, где всё структурировано, адресуемо и доступно по URI. Это позволяет агентам работать с данными более точно, экономно и масштабируемо. :
Что это решает
Классические RAG-решения используют векторные базы, где весь контекст хранится как набор embedding-векторов. Такой подход работает, но сталкивается с рядом проблем:
- рост стоимости токенов при увеличении контекста
- слабая управляемость структуры данных
- нет прозрачной логики извлечения информации
- ограниченная точность поиска
OpenViking устраняет эти ограничения за счёт структурированного подхода и многоуровневой работы с контекстом.
Ключевые особенности
Файловая модель контекста
Вместо «пула» данных используется иерархия, похожая на файловую систему. Ресурсы адресуются через URI вида viking://resources/..., что делает структуру контекста понятной и управляемой. :
Многоуровневый контекст (L0 / L1 / L2)
Контент разделяется на три уровня:
- L0 — краткое описание (для быстрого поиска)
- L1 — обзор (для понимания структуры)
- L2 — полный контент (загружается по необходимости)
Такой подход позволяет резко сократить расход токенов и загружать детали только тогда, когда они действительно нужны. :
Рекурсивный поиск по структуре
В отличие от обычного семантического поиска, OpenViking учитывает структуру директорий и выполняет рекурсивное извлечение данных. Это повышает точность и релевантность результатов. :
MCP-сервер и полный RAG pipeline
В систему встроен сервер Model Context Protocol (MCP), который обеспечивает полный цикл работы с контекстом:
- семантический поиск
- вопросы к документам
- управление базой знаний
- интеграция с LLM
Основные сценарии использования
- вопросы и ответы по документам
- поиск по PDF и веб-ресурсам
- долгосрочная память AI-агента
- управление знаниями
- семантический поиск
Доступные инструменты
После подключения через MCP OpenViking предоставляет базовый набор инструментов:
- query — полный RAG pipeline (поиск + генерация ответа)
- search — только семантический поиск
- add_resource — добавление файлов, папок или URL
Примеры использования
- «Что такое OpenViking?»
- «Найди статьи по машинному обучению»
- «Добавь этот URL в базу знаний»
- «Проиндексируй локальный PDF»
Почему это важно
OpenViking меняет саму модель работы с памятью AI-агентов. Вместо хаотичного набора embedding-векторов появляется структурированная, наблюдаемая и масштабируемая система контекста.
Это приводит к:
- снижению затрат на токены
- улучшению качества извлечения данных
- более предсказуемому поведению агентов
- возможности долгосрочной памяти
Фактически OpenViking превращает контекст в полноценную файловую систему, где память, ресурсы и навыки объединяются в единое пространство. :
Файл из источника